导读：直播弹幕是直播系统的核心功能之一。如何迅速作出一个有很好扩展性的弹幕系统？如何应对业务迅速发展？相信很多工程师/架构师都有自己的想法。本文作者经历了直播弹幕从无到有，从小到大的过程，是对构建弹幕系统的经验总结。
直播弹幕指直播间的用户，礼物，评论，点赞等消息，是直播间交互的重要手段。

美拍直播弹幕系统从 2015 年 11 月到现在，经过了三个阶段的演进，目前能支撑百万用户同时在线。

本文比较好地诠释了根据项目的发展阶段，直播弹幕系统进行平衡演进的过程。这三个阶段分别是快速上线，高可用保障体系建设，长连接演进。

一、快速上线

消息模型

美拍直播弹幕系统在设计初期的核心要求是：快速上线，并能支撑百万用户同时在线。

基于这两点，我们的策略是前中期使用 HTTP 轮询方案，中后期替换为长连接方案。

因此在业务团队进行 HTTP 方案研发的同时，基础研发团队也紧锣密鼓地开发长连接系统。

直播间消息，相对于 IM 的场景，有如下几个特点：

消息要求及时，过时的消息对于用户来说不重要；
松散的群聊，用户随时进群，随时退群；
用户进群后，离线期间（接听电话）的消息不需要重发。

对于用户来说，在直播间有三个典型的操作：

进入直播间，拉取正在观看直播的用户列表；
接收直播间持续发布的弹幕消息；
自己发消息。

我们把礼物，评论，用户的数据都当做消息来看待。

经过考虑选择了 Redis 的 sortedset 存储消息，消息模型如下：

用户发消息，通过 Zadd，其中 score 消息的相对时间；
接收直播间的消息，通过 ZrangeByScore 操作，两秒一次轮询；
进入直播间，获取用户的列表，通过 Zrange 操作来完成。

因此总的流程是：

写消息流程是: 前端机 -> Kafka -> 处理机 -> Redis；
读消息流程是: 前端 -> Redis。

不过这里有一个隐藏的并发问题：用户可能丢消息。

如上图所示，某个用户从第 6 号评论开始拉取，同时有两个用户在发表评论，分别是 10，11 号评论。

如果 11 号评论先写入，用户刚好把 6，7，8，9，11 号拉走，用户下次再拉取消息，就从 12 号开始拉取，结果是：用户没有看到 10 号消息。

为了解决这个问题，我们加上了两个机制：

在前端机，同一个直播间的同一种消息类型，写入 Kafka 的同一个 partition；
在处理机，同一个直播间的同一种消息类型，通过 synchronized 保证写入 Redis 的串行。

关于消息丢失的问题，总体原则: 消息按照消息号从小到大顺序写入，否则可能会丢消息。

写入消息的流程是：
1.发号器发号
2.写入redis

如果有两个消息A和B同时做这个事情，我们期望的是：消息A得到10号，消息A写入redis，消息B得到11号，消息B写入redis。或者消息B得到10号，消息B写入redis，消息A得到11号，消息A写入redis。

但是如果出现：消息A得到10号，消息B得到11号，消息B写入redis，消息A写入redis。这样问题就来了，某个用户在消息A写入前把11号消息读走，那么他将再也不会读取到10号消息。

关于降级后，又回到可能丢消息的情况，这个其实是会的，但在延迟和丢消息之间，我们选择可能丢消息。相比一直允许可能丢消息，我们这种方式更好接受一些。

消息模型及并发问题解决后，开发就比较顺畅，系统很快就实现上线，达到了预先设定的目标。

上线后暴露问题的解决方案
上线后，随着消息量的逐渐增加，系统陆续暴露出三个比较严重的问题，我们一一进行了解决。

问题一：消息串行写入 Redis，如果某个直播间消息量很大，那么消息会堆积在 Kafka 中，消息延迟较大。

解决办法：

消息写入流程：前端机-> Kafka -> 处理机 -> Redis；
前端机：如果延迟小，则只写入一个 Kafka 的 partion；如果延迟大，则这个直播的这种消息类型写入 Kafka 的多个 partion；
处理机：如果延迟小，加锁串行写入 Redis；如果延迟大，则取消锁。

因此有四种组合，四个档位，分别是：
1.一个 partion，加锁串行写入 Redis, 最大并发度：1；
2.多个 partition，加锁串行写入 Redis，最大并发度：Kafka partion的个数；
3.一个 partion，不加锁并行写入 Redis，最大并发度：处理机的线程池个数；
4.多个 partion，不加锁并行写入 Redis，最大并发度: Kafka partition 个数处理机线程池的个数。

延迟程度判断：前端机写入消息时，打上消息的统一时间戳，处理机拿到后，延迟时间 = 现在时间 - 时间戳；
档位选择：自动选择档位，粒度：某个直播间的某个消息类型。

问题二：用户轮询最新消息，需要进行 Redis 的 ZrangByScore 操作，redis slave 的性能瓶颈较大。

解决办法：

本地缓存，前端机每隔 1 秒左右拉取一次直播间的消息，用户到前端机轮询数据时，从本地缓存读取数据；
消息的返回条数根据直播间的大小自动调整，小直播间返回允许时间跨度大一些的消息，大直播间则对时间跨度以及消息条数做更严格的限制。

解释：这里本地缓存与平常使用的本地缓存，有一个最大区别，就是考虑了成本问题。

如果所有直播间的消息都进行缓存，假设同时有 1000 个直播间，每个直播间 5 种消息类型，本地缓存每隔 1 秒拉取一次数据，40 台前端机，那么对 Redis 的访问 QPS 是 1000 * 5 * 40 = 20 万。

成本太高，因此我们只有大直播间才自动开启本地缓存，小直播间不开启。

问题三：弹幕数据也支持回放，直播结束后，这些数据存放于 Redis 中，在回放时，会与直播的数据竞争 Redis 的 CPU 资源。

解决办法：

直播结束后，数据备份到 MySQL；
增加一组回放的 Redis；
前端机增加回放的 local cache。

解释：回放时，读取数据顺序是: local cache -> Redis -> mysql。localcache 与回放 Redis 都可以只存某个直播某种消息类型的部分数据，有效控制容量；local cache与回放 Redis 使用 sortedset 数据结构，这样整个系统的数据结构都保持一致。

二、高可用保障

同城双机房部署
双机房分为主机房和从机房，写入都在主机房，读取则由两个从机房分担。从而有效保证单机房故障时，能快速恢复。
丰富的降级手段
全链路的业务监控

高可用保障建设完成后，迎来了 TFBOYS 在美拍的四场直播，这四场直播峰值同时在线人数达到近百万，共 2860 万人次观看，2980 万评论，26.23 亿次点赞，直播期间，系统稳定运行，成功抗住压力。

三、使用长连接替换短连接轮询方案

长连接整体架构图

详细说明：

客户端在使用长连接前，会调用路由服务，获取连接层IP，路由层特性：a.可以按照百分比灰度；b.可以对 uid，deviceId，版本进行黑白名单设置。黑名单：不允许使用长连接；白名单：即使长连接关闭或者不在灰度范围内，也允许使用长连接。这两个特性保证了我们长短连接切换的顺利进行；
客户端的特性：a.同时支持长连接和短连接，可根据路由服务的配置来决定；b.自动降级，如果长连接同时三次连接不上，自动降级为短连接；c.自动上报长连接性能数据；
连接层只负责与客户端保持长连接，没有任何推送的业务逻辑。从而大大减少了重启的次数，从而保持用户连接的稳定；
推送层存储用户与直播间的订阅关系，负责具体推送。整个连接层与推送层与直播间业务无关，不需要感知到业务的变化；
长连接业务模块用于用户进入直播间的验证工作；
服务端之间的通讯使用基础研发团队研发的 tardis 框架来进行服务的调用，该框架基于 gRPC，使用 etcd 做服务发现。

长连接消息模型

我们采用了订阅推送模型，下图为基本的介绍：

举例说明，用户 1 订阅了 A 直播，A 直播有新的消息：

推送层查询订阅关系后，知道有用户 1 订阅了 A 直播，同时知道用户 1 在连接层 1 这个节点上，那么就会告知连接层有新的消息；
连接层 1 收到告知消息后，会等待一小段时间（毫秒级），再拉取一次用户 1 的消息，然后推送给用户 1。

如果是大直播间（订阅用户多），那么推送层与连接层的告知/拉取模型，就会自动降级为广播模型。如下图所示：

我们经历了客户端三个版本的迭代，实现了两端（Android 与 iOS）长连接对短连接的替换，因为有灰度和黑白名单的支持，替换非常平稳，用户无感知。

四、总结与展望

回顾了系统的发展过程，达到了原定的前中期使用轮询，中后期使用长连接的预定目标，实践了原定的平衡演进的原则。

从发展来看，未来计划要做的事情有：
针对机房在北京，南方某些地区会存在连接时间长的情况。我们如何让长连接更靠近用户；
消息模型的进一步演进。

作者介绍：

王静波，毕业于西安交通大学，曾任职于网易和新浪微博，微博工作期间负责开放平台业务和技术体系建设。2015 年 9 月加入美图，就职于架构平台部，目前负责部分核心业务和基础设施的研发工作，包括弹幕服务、Feed 服务、任务调度和质量监控体系等。十余年的后端研发经历，拥有丰富的后端研发经验，对于构建高可用、高并发的系统有较多实践经验。欢迎通过 wjb@meitu.com 跟他交流。

本文转载自美图技术公众号。

原文链接：https://mp.weixin.qq.com/s/oO09mIGk5gunAsoRUcp2xg

创作场景

百万用户同时在线的高并发直播弹幕系统是如何实现的？